[发明专利]图像分类的方法、存储介质、处理器及系统

权利要求书

1.一种图像分类的方法，其特征在于，包括：

获取待分类的建筑物图像；

采用目标数据分类模型对所述建筑物图像进行分类处理，得到所述建筑物图像的分类结果，其中，所述目标数据分类模型是由度量学习函数对神经网络模型进行训练得到，所述度量学习函数是通过目标特征集来确定，所述目标特征集是通过对训练样本的初始特征集进行语义增强后得到的；

其中，采用目标数据分类模型对所述建筑物图像进行分类处理，得到所述建筑物图像的分类结果，所述方法还包括：

获取预设时间段之前的建筑物图像的分类结果，得到初始分类结果；

将所述建筑物图像的分类结果与所述初始分类结果进行比对，确定建筑物的变化信息；

所述目标数据分类模型通过下述步骤训练得到：

获取多个训练样本，其中，所述多个训练样本至少包括：训练样本数据和多个训练样本数据对应的类别标签；

对所述多个训练样本进行处理，得到所述度量学习函数，并将所述度量学习函数作为神经网络模型的损失函数；

依据所述度量学习函数和所述多个训练样本对所述神经网络模型进行训练，得到所述目标数据分类模型；

所述度量学习函数的形式为：

其中，为所述度量学习函数，，和是利用所述目标特征集得到的logits向量集，为预设不同类别标签之间的边距值；

其中，所述logits向量集的形式为：

，为所述神经网络模型的权重，为所述神经网络模型的偏差，为第i个训练样本的特征向量，C为所述训练样本的类别标签的个数，为预设参数，。

2.根据权利要求1所述的方法，其特征在于，对所述多个训练样本进行处理，得到所述度量学习函数包括：

对所述多个训练样本进行预处理，得到所述多个训练样本对应的目标特征集；

依据所述目标特征集、所述神经网络模型的权重和所述神经网络模型的偏差进行计算，得到交叉熵函数的向量集；

将所述向量集作为所述度量学习函数的输入特征，得到所述度量学习函数。

3.根据权利要求2所述的方法，其特征在于，对所述多个训练样本进行预处理，得到所述多个训练样本对应的目标特征集包括：

对所述多个训练样本进行特征提取，得到初始特征集；

对所述初始特征集中的每个特征向量进行语义增强，得到所述目标特征集。

4.根据权利要求2所述的方法，其特征在于，依据所述目标特征集、神经网络模型的权重和所述神经网络模型的偏差进行计算，得到交叉熵函数的向量集包括：

依据所述目标特征集、所述神经网络模型的权重、所述神经网络模型的偏差和每个训练样本数据对应的类别标签，得到所述交叉熵函数；

依据所述交叉熵函数，得到所述交叉熵函数的向量集；

其中，所述交叉熵函数的形式为： ，为所述神经网络模型的权重，为所述神经网络模型的偏差，为第i个训练样本的特征向量，C为所述训练样本的类别标签的个数，为预设参数，，所述交叉熵函数的向量集为logits向量集，所述logits向量集的形式为：

。

5.一种计算机可读存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至4中的任意一项所述的图像分类的方法。

6.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至4中的任意一项所述的图像分类的方法。

7.一种图像分类的系统，其特征在于，包括：

处理器；以及

存储器，与所述处理器连接，用于为所述处理器提供处理以下处理步骤的指令：

获取待分类的建筑物图像；

采用目标数据分类模型对所述建筑物图像进行分类处理，得到所述建筑物图像的分类结果，其中，所述目标数据分类模型是由度量学习函数对神经网络模型进行训练得到，所述度量学习函数是通过目标特征集来确定，所述目标特征集是通过对训练样本的初始特征集进行语义增强后得到的；

其中，获取预设时间段之前的建筑物图像的分类结果，得到初始分类结果；

将所述建筑物图像的分类结果与所述初始分类结果进行比对，确定建筑物的变化信息；

所述目标数据分类模型通过下述步骤训练得到：

获取多个训练样本，其中，所述多个训练样本至少包括：训练样本数据和所述多个训练样本数据对应的类别标签；

对所述多个训练样本进行处理，得到所述度量学习函数，并将所述度量学习函数作为神经网络模型的损失函数；

依据所述度量学习函数和所述多个训练样本对所述神经网络模型进行训练，得到所述目标数据分类模型；

所述度量学习函数的形式为：

其中，为所述度量学习函数，，和所述训练样本对应的logits向量集，为预设不同类别标签之间的边距值；

其中，所述logits向量集的形式为：

，为所述神经网络模型的权重，为所述神经网络模型的偏差，为第i个训练样本的特征向量，C为所述训练样本的类别标签的个数，为预设参数，。